导读：
本次分享的主题为基于StarRocks现代数据栈的典型应用。我们将围绕以下内容展开详细介绍：
1. MPP架构演进过程
2. 行业典型应用介绍
3. StarRocks应用场景和核心特性
4. 性能测试报告
5. StarRocks应用场景一——实时数仓
6. StarRocks应用场景二——CDP
7. StarRocks应用场景三——Lakehouse Analytics
8. 短期规划与成果案例
随着数据时代的来临，我们注意到，尽管用户需求各异，但他们都有一个共同点，那就是希望将海量数据存进系统，并能够快速高效地获取有价值的信息。今天，我们分享的主题是现代数据栈，其核心仍是数据，目标在于提升数据的管理程度，大大降低数据的使用难度，让用户更加关注数据本身。而这一切的演进与MPP数据库的发展历程息息相关。
第一部分：MPP架构概览
随着数据量的增长，我们经历了从早期离线报表到如今更结构化、更高效的数据存储与查询方式的转变。这种转变与我们对数据的重视程度紧密相连。早期，数据量可能只是GB级，简单的数据库就能满足需求。但随着数据越来越多，Hadoop等大数据技术开始崭露头角，包括Teradata、Greenplum等老一代的MPP数据库也开始发展起来。结构化的数据被更有条理地分层构建，高价值的报表通过BI或数据应用呈现出来。
第二部分：StarRocks的核心优势与应用场景
StarRocks作为一种现代数据分析数据库，拥有极速查询、灵活建模以及实时摄入和查询数据的能力。其基于向量化和CBO优化器技术，可以对复杂查询生成最优的查询计划。StarRocks还支持实时数仓、CDP以及Lakehouse Analytics等多种应用场景。在实时数仓方面，StarRocks通过微批调度、增量构建、聚合等方式，保证端到端的低延迟服务。在CDP方面，其RoaringBitmap数据结构方便进行圈选操作，实时摄入Kafka里的数据来做实时的行为分析。在Lakehouse Analytics方面，StarRocks支持Apache Hive、Apache Hudi、Apache Iceberg的外表查询能力，实现湖仓一体的分析。
第三部分：性能与成果
在性能方面，StarRocks在单表查询和多表关联查询上均展现出优越的性能。我们分享了某公司通过构建统一指标平台、数据治理等手段，降低基础设施开销和成本的成果案例。
第四部分：短期规划与展望
在未来，StarRocks将继续优化资源隔离功能，提供更精细的资源管理。Partial Update的能力将让实时数仓建设更加高效，多表物化视图将简化数仓模型。我们还计划提供一个SaaS版本，方便客户快速部署StarRocks集群。
第五部分：问答环节
针对观众提问，我们回答了关于StarRocks支持Apache Iceberg v2版本及查询性能、以及StarRocks是否支持存储过程等问题。
最后
感谢谢寅先生的精彩分享！他作为StarRocks社区技术布道师，具有多年大数据开发经验，致力于为观众带来最前沿的技术分享。我们也感谢DataFun社区的出品与支持。希望通过今天的分享，大家对现代数据栈及StarRocks的应用有更深入的了解。
分享嘉宾
谢寅 StarRocks社区技术布道师
关于DataFun
DataFun新媒体矩阵致力于打造数据领域的高质量内容平台，通过分享前沿技术、案例分析等内容，助力数据从业者提升技能、拓展视野。